代码收藏家 Python的numpy中axis=0、axis=1、axis=2解释
参考：Python：一文让你彻底理解numpy中axis=-1/0/1/2… [实例讲解：np.argmax(axis= -1 0 1 2) np.sum(aixs= -1 0 1 2)]
0. 前置知识
0.1 axis
axis翻译过来就是轴的意思。
numpy数组中：
0.2 数组维度
可以从左至右计算数组的方括号数目，一个方括号是一维数组，两个方括号是二维数组，三个方括号是三维数组。
如： [1, 2, 3]是一维数组、[[1, 2, 3], [4, 5, 6]]是二维数组、[[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]] 是三维数组。
0.3 axis(轴)与数组括号的对应关系
numpy数组都有[]标记，其对应关系：axis=0对应最外层的[]，axis=1对应第二外层的[]，…，axis=n对应第n外层的[]。以三维数组为例，两者关系如下表所示：
| axis | [ ] |
|---|---|
| axis = 0 | [ [ [ ] ] ] |
| axis = 1 | [ [ [ ] ] ] |
| axis = 2 | [ [ [ ] ] ] |
1. 如何理解对numpy数组的axis(轴)的操作
这里使用了博主西北种田文的方法“括号最大块法”。
博客链接为：Python：一文让你彻底理解numpy中axis=-1/0/1/2… [实例讲解：np.argmax(axis= -1 0 1 2) np.sum(aixs= -1 0 1 2)]
括号最大块法有且仅有两步：
第一步：由axis = value，找对应[]里的最大单位块。（np.sum()拆掉此层[]，np.argmax()不拆此层[]）
第二步：对单位块进行计算，这里又分为两种情况：
接下来对上述方法进行补充说明：
首先，最大单位块就是某层[]里包裹的最大结构块。比如：
[1，2，3]：[]里最大的单位块是数值 1 2 3。[[1，2]，[3，4]]：最外层[]里最大单位块是[1，2] 和 [3，4]，第二层[]里最大单位块是1，2 和 3，4。[[[1，2]，[3，4]]，[[5，6]，[7，8]]]：最外层[]里最大单位块是[[1，2]，[3，4]]和[[5，6]，[7，8]]，第二层[]里最大单位块是[1，2]和[3，4] 还有 [5，6]和[7，8]，第三层[]里最大单位块是1，2 和 3，4 和 5，6 和 7，8。其次，最大单位块是数组时，对应下标元素的计算方法为：
[[1，2]，[3，4]]。axis=0，最外层
[]，有一对，其里包含两个最大块[1，2]、[3，4]，这两个块1和3、2和4即为对应。axis=1，第二层
[]，有两对，两个[]都为数值，直接计算。[[[1, 2],[3, 4]], [[5, 6],[7, 8]]]。axis=0，最外层
[]，有一对，其里包含两个最大块[[1, 2],[3, 4]]、 [[5, 6],[7, 8]]，这两个块1和5、2和6、3和7、4和8即为对应。axis=1，第二层
[]，有两对，第一个[]最大块为：[1, 2]、[3, 4]，其中1和3、2和4对应；第二个[]最大块为：[5, 6]，[7, 8]，其中5和7、6和8对应。axis=2，第三层
[]，有四对，4个[]内都是数值，直接计算。2. 实例
2.1 实例1：np.sum(axis=-1/0/1/2)
一维数组
axis=0
>>> import numpy as np
>>> arr = np.array([1, 2, 3])
>>> arr.sum(axis = 0)
6
第一步：axis=0对应最外层[]，其内最大单位块为：1，2，3，并去掉[]
第二步：单位块是数值，直接计算：1+2+3=6
axis=1
>>> arr = np.array([1, 2, 3])
>>> arr.sum(axis = 1) # 越界使用，报错
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "D:\Anaconda3\lib\site-packages\numpy\core\_methods.py", line 38, in _sum
return umr_sum(a, axis, dtype, out, keepdims, initial, where)
numpy.AxisError: axis 1 is out of bounds for array of dimension 1
由此可知，使用axis时，不要越界，即：N维数组，最大能使用axis=N-1
二维数组
axis=0
>>> arr = np.array([[1, 2], [3, 4]])
>>> arr.sum(axis = 0)
array([4, 6])
第一步：axis=0对应最外层[]，其内最大单位块为：[1，2] 和 [3，4]，并去掉最外层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：[1+3，2+4]=[4，6]
axis=1
>>> arr = np.array([[1, 2], [3, 4]])
>>> arr.sum(axis = 1)
array([3, 7])
第一步：axis=1对应第二层[]，其内最大单位块为：第一[]内： 1，2；第二[]内： 3，4，并去掉第二层[]
第二步：单位块是数值，直接进行计算，即：[1+2，3+4]=[3，7]
三维数组
axis=0
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr
array([[[1, 2],
[3, 4]],
[[5, 6],
[7, 8]]])
>>> arr.sum(axis=0)
array([[ 6, 8],
[10, 12]])
第一步：axis=0对应最外层[]，其内最大单位块为：[[1, 2],[3, 4]] 和 [[5, 6],[7, 8]]，并去掉最外层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：[[1, 2]，[3, 4]] + [[5, 6],[7, 8]] = [[1+5，2+6]，[3+7，4+8]] = [[6，8]， [10，12]]
axis=1
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=1)
array([[ 4, 6],
[12, 14]])
第一步：axis=1对应第二层[]，其内最大单位块为：第一个[]： [1, 2]和[3, 4]；第二个[]： [5, 6]和[7, 8]，并去掉第二层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：第一个[]内：[1+3，2+4]，第二个[]内：[5+7，6+8]，即：[[1+3，2+4]，[5+7， 6+8]] = [[4，6]，[12，14]]
axis=2
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=2)
array([[ 3, 7],
[11, 15]])
第一步：axis=1对应第三层[]，其内最大单位块为：第一个[]：1，2；第二个[]：3，4；第三个[]：5，6；第四个[]：7，8，并去掉第三层[]
第二步：单位块是数值，直接进行计算，即：[[1+2，3+4]，[5+6，7+8]] = [[3，7]，[11，15]]
axis=-1
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=-1)
array([[ 3, 7],
[11, 15]])
axis=-1，表示在当前数组最后一维度操作，三维数组中axis=0/1/2，那么axis=-1即等价于axis=2，所以其结果与axis=2相同！
2.2 实例2：np.argmax(axis=-1/0/1/2)
np.argmax()：取数组中元素最大值的下标值
np.argmax()中axis=0/1/2…原理与np.sum()中类似，只是不用“拆括号”了！
一维数组
>>> import numpy as np
>>> arr = np.array([3, 4, 6, 9, 1, 2])
>>> print(np.argmax(arr)) # 默认axis=0
3
>>> print(np.argmax(arr, axis=0))
3
二维数组
axis=0
>>> arr = np.array([[3, 6, 6, 2], [4, 7, 11, 2], [5, 9, 1, 3]])
>>> arr
array([[ 3, 6, 6, 2],
[ 4, 7, 11, 2],
[ 5, 9, 1, 3]])
>>> np.argmax(arr, axis=0)
array([2, 2, 1, 2], dtype=int64)
>>> print(np.argmax(arr, axis=0))
[2 2 1 2]
第一步：axis=0对应最外层[]，其内最大单位块为：[ 3, 6, 6, 2]、 [ 4, 7, 11, 2]和[ 5, 9, 1, 3]
第二步：单位块是数组，两者对应下标元素进行计算，即：argmax([3，4，5])、argmax([6，7，9])、argmax([6，11，1])、argmax([2，2，3])，得到4个最大值索引值：2、2、1、2，得到索引值数组：[2 2 1 2]
axis=1
>>> arr = np.array([[3, 6, 6, 2], [4, 7, 11, 2], [5, 9, 1, 3]])
>>> arr
array([[ 3, 6, 6, 2],
[ 4, 7, 11, 2],
[ 5, 9, 1, 3]])
>>> print(np.argmax(arr, axis=1))
[1 2 1]
第一步：axis=1对应第二层[]，其内最大单位块为：3, 6, 6, 2 和 4, 7, 11, 2 和 5, 9, 1, 3
第二步：单位块是数值，直接进行计算，即：argmax([3，6，6，2])、argmax([4，7，11，2])、argmax([5，9，1，3])，得到3个最大值索引值：1、2、1，得到索引数组：[1 2 1]
三维数组
axis=0
>>> arr = np.array([[[1, 5, 5, 2], [9, -6, 2, 8], [-3, 7, -9, 1]], [[-1, 7, -5, 2], [9, 6, 2, 8], [3, 7, 9, 1]], [[21, 6, -5, 2], [9, 36, 2, 8], [2, 7, 66, 1]]])
>>> arr
array([[[ 1, 5, 5, 2],
[ 9, -6, 2, 8],
[-3, 7, -9, 1]],
[[-1, 7, -5, 2],
[ 9, 6, 2, 8],
[ 3, 7, 9, 1]],
[[21, 6, -5, 2],
[ 9, 36, 2, 8],
[ 2, 7, 66, 1]]])
>>> print(np.argmax(arr, axis=0))
[[2 1 0 0]
[0 2 0 0]
[1 0 2 0]]
第一步：axis=0对应最外层[]，其内最大单位块为：
第二步：单位块是数组，三者对应下标元素进行计算，如图：
即：argmax([1，-1，21)、argmax([5，7，6])、argmax([5，-5，-5])、argmax([2，2，2])、argmax([9，9，9])、argmax([-6，6，36])…以此类推，得到索引值数组：
axis=1
>>> arr
array([[[ 1, 5, 5, 2],
[ 9, -6, 2, 8],
[-3, 7, -9, 1]],
[[-1, 7, -5, 2],
[ 9, 6, 2, 8],
[ 3, 7, 9, 1]],
[[21, 6, -5, 2],
[ 9, 36, 2, 8],
[ 2, 7, 66, 1]]])
>>> print(np.argmax(arr, axis=1))
[[1 2 0 1]
[1 0 2 1]
[0 1 2 1]]
第一步：axis=1对应第二层[]，其内最大单位块为：
第一个[]内最大单位块：
第二个[]内最大单位块：
第三个[]内最大单位块：
第二步：各[]内单位块是数组且都为三块，三者对应下标元素进行计算，即：
第一个[]内，三块对应下标，如图：
计算：argmax([1，9，-3)、argmax([5，-6，7])、argmax([5，2，-9])、argmax(2，8，1)
以此类推：第二个[]、第三个[]，得到索引值数组：
axis=2
>>> arr
array([[[ 1, 5, 5, 2],
[ 9, -6, 2, 8],
[-3, 7, -9, 1]],
[[-1, 7, -5, 2],
[ 9, 6, 2, 8],
[ 3, 7, 9, 1]],
[[21, 6, -5, 2],
[ 9, 36, 2, 8],
[ 2, 7, 66, 1]]])
>>> print(np.argmax(arr, axis=2))
[[1 0 1]
[1 0 2]
[0 1 2]]
第一步：axis=2对应第三层[]，其内最大单位块为：
1，5，5，2
9，-6，2，8
-3，7，-9，1
-1，7，-5，2
9，6，2，8
3，7，9，1
21，6，-5，2
9，36，2，8
2，7，66，1
第二步：单位块是数值，直接进行计算，即：
argmax([1，5，5，2])
argmax([9，-6，2，8])
argmax([-3，7，-9，1])
argmax([-1，7，-5，2])
…
以此类推，得到索引数组：
axis=-1
>>> print(np.argmax(arr, axis=-1))
[[1 0 1]
[1 0 2]
[0 1 2]]
axis=-1，表示在当前数组最后一维度操作，三维数组中axis=0/1/2，那么axis=-1即等价于axis=2，所以其结果与axis=2相同！
来源：吮指原味张
